عنوان فارسی مقاله:ارزیابی خوشه بندی سرویس وب با استفاده از مدل ترکیب چند جملهای دیریکله برای کاهش بعدیت در بازنمایی خدمات
چکیده
در سالهای اخیر، عملکرد خدمات در زبان متن طبیعی کوتاه توصیف میشود. جست و جوی مبتنی بر کلمهی کلیدی برای کشف سرویس وب برای ارائهی نتایج مهم کافی نیست. هنگامی که خدمات براساس شباهت خوشه بندی میشوند، فضای جستجو را کاهش میدهد و به همین دلیل زمان جستجو در فرآیند کشف سرویس وب نیز کاهش مییابد. بنابراین، در حوزه خوشهبندی سرویس وب، اصولاً تکنیکهای مدل سازی مباحث مانند تخصیص پنهان دیریکله LDA، مدل موضوعی همبسته (CTM)، پردازش دیرکلت سلسله مراتبی (HDP) و غیره برای کاهش ابعاد و نمایش ویژگیهای خدمات در فضای بردار استفاده شده است.. اما همانطور که خدمات در قالب متن کوتاه توضیح داده شده است، بنابراین این تکنیکها به دلیل عدم وجود کلمات در حال وقوع، محتوای محدود و غیره کارآمد نیستند. در این مقاله، عملکرد خوشه بندی خدمات وب با استفاده از مدل سازی موضوعات مختلف ارزیابی میشود. تکنیکهای با الگوریتمهای خوشه بندی مختلف در مجموعه دادههای منبع قابل برنامه نویسی اجرا میشوند. الگوریتم نمونهگیری گیبس برای مدل ترکیبی چندمجموعهای دیریکله GSDMM به عنوان یک کاهش ابعادی و نمایش ویژگی از خدمات برای غلبه بر محدودیتهای خوشه بندی متن کوتاه پیشنهاد شده است. نتایج نشان میدهد که GSDMM با K-Means یا خوشهبندی ترکیبی نسبت به سایر روشها بهتر است. عملکرد خوشه بندی بر اساس سه معیار ارزیابی ذاتی و دو ارزیابی ارزیابی میشود. کاهش ابعادی حاصل از GSDMM در سه مجموعه داده در زمان واقعی ۹۰٫۸۸٪، ۸۸٫۸۴٪ و ۹۳٫۱۳٪ است که رضایت بخش است زیرا با استفاده از این تکنیک عملکرد خوشه بندی نیز افزایش مییابد.
- لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
- همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
- ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.